如今人们的生活已经离不开互联网,社交网络成为了社会中必不可少的一部分。国内以微博等为代表的在线社交网络快速发展,微博水军作为国内新兴的网络水军由此诞生。微博水军利用微博平台用户多,信息广的特点,在微博平台进行谣言扩散或者通过对发布的某些博文进行大量转发、点赞或评论去误导用户,极大影响用户对信息真实性的判断。因此,有效并且实时地去识别出这些微博水军团体,对于保护用户利益、塑造和谐的网络社交是具有很大的研究意义。本研究内容根据微博水军近年来的进化演变以及微博用户数据的海量特点对识别时间的挑战及算法需要解决的问题,设计了基于Spark平台并行化权重随机森林算法的识别模型。针对部分特征分类效果降低的问题,对已有研究中微博水军的特征进行清洗并重新筛选出新增特征组成最终特征集;首先将已有微博水军某些特征进行实验剔除分类效果降低的特征,再通过经验观察和实验重新再筛选出新的具有良好分类效果的特征,最后将剔除了差分类效果特征的特征集和新的特征集综合来进行对微博水军的识别;针对由于微博用户数量巨大的原因,海量的用户数据在建模和识别计算的过程中要不断地进行数据读取和更新迭代,时间消耗巨大,所以在沿用综合特征进行识别研究的基础上,选择基于内存计算的分布式并行化计算框架Spark,再将对于大数据具有优秀分类性能的随机森林并行化到Spark平台上,但其中传统随机森林算法无法评估决策树分类能力,所以为了减少分类较差的决策树投票结果对最终结果的影响占比,采用了给每棵决策树赋予权值的方法。使用袋外数据计算决策树的AUC值根据性能优劣附加权重,根据权重大小判断、计算,最终获得分类结果。模型实验结果表明,重新筛选有效特征并添加新特征综合识别,保证正确率的同时,随机森林算法并行化模型减少了模型训练和识别时间,提高了整体效率,具有良好的加速比、并行效率,实现了海量用户的快速、准确识别,模型分类效果综合衡量F值高达93%以上。